Redes neuronales recurrentes como mecanismo de Gestión de Riesgo en mercados de valores
DOI:
https://doi.org/10.37117/s.v26i1.1122Palavras-chave:
Redes neurais, Python, Mercados de ações, Gestão de riscos.Resumo
Este artigo propõe a aplicação de redes neurais recorrentes, especificamente da Long Short-Term Memory (LSTM), para prever os preços de fechamento das ações da NVIDIA. Essas previsões são utilizadas como um mecanismo de gestão de risco nos mercados de ações. O modelo inclui a coleta, limpeza e preparação de dados, bem como a análise e modelagem utilizando Python. Os preços de fechamento dos últimos três anos são analisados, e os resultados são comparados com as previsões para os dois dias seguintes, tanto graficamente quanto analiticamente, utilizando métricas como Root Mean Square Error (RMSE) e Mean Absolute Percentage Error (MAPE). Esta abordagem destaca a importância da análise preditiva como uma ferramenta de gestão de riscos.
Downloads
Referências
Conti, D., Simó, C. & Rodríguez A. (2005). Teoría de carteras de inversión para la diversificación del riesgo: enfoque clásico y uso de redes neuronales artificiales (RNA). Ciencia e Ingeniería, 26(¡), 35-42
Díaz del Río, F. & Peña, J. I. (2017). Redes neuronales artificiales en finanzas. En M. A.
Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735-1780.
Hull, J. C. (2012). Risk Management and Financial Institutions. John Wiley & Sons.
Kotler, P., & Armstrong, G. (2016). Principios de marketing (16a ed.). Pearson Educación. p. 324.
Mishkin, F. S., & Eakins, S. G. (2015). Financial Markets and Institutions. Pearson.
Murphy, J. J. (1999). Technical Analysis of the Financial Markets: A Comprehensive Guide to Trading Methods and Applications. New York Institute of Finance.
Smith, J. (2022). Factores de riesgo en el trading financiero. Journal of Financial Markets, 34(2), 40-55.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Jefferson Agustín Macías Bravo, Carlos Andrés Mendoza Bravo, Maribel Pérez Pirela. PhD, Ambrosio Tineo Moya. PhD
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
El Copyright posee el propósito de proteger tanto la propiedad intelectual de los autores como sus resultados. El comité editorial de la Revista Sinapsis se compromete con los autores a proteger, defender y preservar tanto su trabajo como su reputación, y toma muy en serio las acusaciones de infracción, plagio, disputas éticas y fraude. Si un autor se da cuenta de un posible plagio, copia de resultados, fraude o infracción, le rogamos que se comunique con la mayor brevedad posible con el comité editorial de la revista Sinapsis.
CC BY-NC-ND: esta licencia permite a los reutilizadores copiar y distribuir el material en cualquier medio o formato solo sin adaptarlo, solo con fines no comerciales y siempre que se le atribuya al creador.
Términos de Licencia:
Reconocimiento: debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial: no puede utilizar el material con fines comerciales.
No Derivada: si remezcla, transforma o construye sobre el material, no puede distribuir el material modificado.
Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros de hacer cualquier cosa que permita la licencia.
El autor esta en la obligación de seguir las exigencias según lo instruido en la licencia ubicada en el enlace: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
Facebook
